Pei, J., Wang, H., Peng, Q., & Liu, S. (2024). Saving face: Leveraging artificial intelligence‐based negative feedback to enhance employee job performance. Human Resource Management, hrm.22226. https://doi.org/10.1002/hrm.22226

摘要

尽管绩效负反馈会导致压力和不利的工作结果，但它对于激励员工提高绩效至关重要。幸运的是，人工智能支持的自动化代理逐渐承担了人类领导者的某些功能，例如提供反馈。借鉴调节焦点理论，作者提出基于人工智能的反馈系统可以作为一种“补救”工具，有效地减轻员工对接受负反馈的担忧。在两项研究中，作者发现，对于害怕丢脸的员工来说，基于人工智能的负反馈会激发以促进为导向的认知——学习动机——一种促进工作绩效的学习机制，并阻碍他们以预防为导向的认知——人际反刍——减少工作绩效所需的消耗。这些发现提出了在绩效反馈中使用人工智能的新观点。

Negative performance feedback is vital for stimulating employees to enhance their performance despite resulting in stress and adverse work outcomes. Fortunately, artificial intelligence (AI)-enabled automated agents have gradually assumed certain functions led by human leaders, such as providing feedback. Drawing from regulatory focus theory, we propose that AI-based feedback systems can serve as a “remediation” tool, effectively mitigating employees' apprehensions about receiving negative feedback. In two studies, we found that for employees who fear losing face, AI-based negative feedback motivates promotion-focused cognition—motivation to learn—representing a learning mechanism to promote job performance and impedes their prevention-focused cognition—interpersonal rumination—reducing the depletion needed for job performance. These findings present novel perspectives on using AI in performance feedback.

研究问题与理论模型

绩效负反馈在建设性和反生产性之间存在微妙平衡。

  • 传统上，绩效负反馈被用来向员工传达工作相关的不足之处，以及如何填补实现目标的空白，以此来激励员工学习和提高创造力和绩效。
  • 然而，负反馈固有的人际属性，可能会阻碍进步。尤其是在层级结构中，负反馈可能会被视为对个人冒犯或对职业身份的挑战，引发防御性，侵蚀信任并阻碍成长。

在这样的背景下，数字革命引入了变革潜力。AI 可以管理工作的自动化，包括提供负反馈。

  • AI 在自然语言处理和机器学习方面的能力，使其能够提供细致入微的反馈，可能减轻通常伴随着人类负反馈的情感负担。
  • AI 提供的反馈可以更客观、更少受个人偏见和主观判断的影响，质量比人类领导者更高。

上述结论为研究提供了一个机会，即：探讨是否可以通过部署基于 AI 的反馈系统来克服在领导者与下属互动中提供负反馈的不利影响，并进一步提高员工的工作绩效？

虽然 AI 超越传统反馈范式的潜力显而易见，但它融入工作场所对员工产生多重影响。

  • 【积极】AI 可以通过减少身心疲劳和增强积极情绪状态来提升员工资源。
  • 【消极】AI 的使用也会导致技术过载。

因此，新兴的情境 AI 理论强调 AI 使用的情境适应性（例如任务-技术契合度）和 AI 用户特征（例如个性-技术契合度）。关于 AI 在工作场所使用的文献表明了探索边界条件的重要性。

在本文中，作者将面子意识作为个体层面的情境因素，以期探讨那些害怕丢面子的员工在接受 AI 而非人类领导者提供的负反馈时的潜在好处。害怕丢面子反映了个体对被他人负面评价和经历羞耻的担忧。来自领导者的负反馈表明员工的行为与领导者的期望或组织的期望存在差异，这很容易引起害怕丢面子的员工的负面反应。从另一个角度来看，害怕丢面子的员工往往会更努力地工作以保护自己的声誉。如果负反馈更符合个人偏好，例如使用 AI 提供高质量的反馈，它可以将员工的认知焦点从管理批评引发的人际关系紧张转移到专注于自我提升的建设性途径上。

作者借鉴调节焦点理论来审视基于 AI 的负反馈的有效性。调节焦点理论认为，个体通过两种竞争的心理取向实现工作目标：最大化以成功为导向的促进焦点和避免以失败为导向的预防焦点。先前的研究表明，人们采用促进或预防焦点取决于潜在的工作利益或损失的关键方面。换句话说，人们对这些调节焦点的体验各不相同。作者认为，害怕丢面子的员工倾向于认识到基于 AI 的负反馈的潜在优势。他们在保护自己的社会形象的同时收到高质量的建议，而不是在收到领导者的负反馈时经历人际紧张或社会形象受到威胁。因此，会诱导员工产生以促进为导向的认知（即学习动机，个人激励、指导和维持以学习为导向的行为的内心动力），并阻碍员工产生以预防为导向的认知（即人际反刍，一种适应不良的认知过程，以持续围绕自我失败和负面情绪的思考为特征），两者都会影响员工的工作绩效。

图片

  • H1：对于害怕丢面子的员工，AI 而非人类领导者提供的负反馈增加了他们的学习动机。
  • H2：对于害怕丢面子的员工，AI 而非人类领导者提供的负反馈对工作绩效的积极影响是通过更高水平的学习动机来中介的。
  • H3：对于害怕丢面子的员工，AI 而非人类领导者提供的负反馈减少了他们的人际反刍。
  • H4：对于害怕丢面子的员工，AI 而非人类领导者提供的负反馈对工作绩效的积极影响是通过更低水平的人际反刍来中介的。

研究设计与结果

Study 1：Field Experiment

样本：166名中国一家金融服务公司电话销售中心的新销售代理。

流程

作者在试用期结束前半个月招募了175名在中期绩效评估中表现不佳的新代理。随机将86名参与者分配到实验组，89名参与者分配到对照组。

随后，AI 和主管在代理的试用期期间，从他们那里随机挑选了相同数量的销售电话音频片段进行收听和分析（音频片段是电话销售代理与客户互动的直接记录）。

不同组的参与者将在完成日常工作后的第二天，从作为助理的 AI 或他们的主管那里收到等量的反馈。负反馈包括对代理绩效的不满以及如何解决其不足的建议。

在反馈干预一周后，参与者需回答操纵检查问题、害怕丢面子、学习动机、人际反刍和控制变量。

最后，在新代理的试用期结束后，通过官方工作应用程序收集工作绩效数据，即电话销售中心的“电话营销计划完成率”。

Study 2：Quasi-Field Experiment

样本：129名中国一家信息技术公司的程序员（涉及创造性工作）。

流程：

该公司计划探索在线购物服务，因此程序员需要在架构师的指导下，于一个月内设计和开发一个与直播平台集成的在线购物后端系统。

程序员被随机分配到实验组与对照组。除反馈来源外，作者没有干预反馈时间、频率和内容格式，以模拟和反映 AI 和人类领导者在实际工作场所的反馈差异。

  • 【实验组】最近，IT部门引入了一种支持 AI 的代码审查工具，如“GitHub Copilot”，以提高代码审查的效率和和质量。实验组以此进行反馈任务：识别程序员任务中的潜在问题和错误，并提供修复建议。
  • 【对照组】在实验过程中，经验丰富的高级开发人员提供了领导者的反馈。每位高级开发人员随机评估和审查程序员的任务进度，并定期提供负反馈。接受高级开发人员反馈的参与者也使用传统的代码审查工具而不是 AI 代码审查工具来执行任务。

实验第一周后，程序员需回答操纵检查、害怕丢面子和控制变量。

在第三周，测量了学习动机和人际反刍。

任务结束后，随机邀请未参与反馈的资深开发人员评估员工绩效。

理论贡献

超越传统反馈范式：提出 AI 作为智能代理，能够以不同于人类领导者的方式为员工提供负反馈，从而可能更有效地提升工作绩效。早期的研究强调了负反馈的信息价值，而随后的研究则突出了领导者负反馈的混合效应。文献中描述的负面效应源自领导者负反馈会将员工的注意力引向了自我威胁。先前的研究表明，计算机反馈可以缓解这些负面影响，但随后的研究显示，其对绩效的影响结果好坏参半。随着 AI 的发展，本文发现了 AI 代表领导者向员工提供负反馈的潜在益处，特别是对于那些害怕在他人面前丢脸的员工。这一发现展示了随着技术的进步，人们对技术的看法如何发生变化，并在新的数字化和智能化环境中重新点燃了研究负反馈的信心。

促进算法人力资源管理：先进的数字技术促进了算法人力资源管理的出现。尽管有几项研究考察了算法人力资源管理应用的优缺点，但最近的研究强调了技术的代理观点，强调了用户特征或态度与 AI 、算法或机器人的匹配。例如，低责任心的员工在与智能机器互动时往往表现更好。然而，在理解员工与技术驱动的人力资源实践之间的匹配方面存在差距。本文将工具和技术代理观点结合起来，发现虽然使用负反馈作为刺激来提高员工绩效，但AI驱动的人机交互与害怕丢脸的个人产生了更好的“化学反应”。因此，通过提出基于个人的权变策略，作者为算法人力资源管理研究提供了新的视角和基础。

扩展调节焦点理论：之前的研究主要基于调节焦点和反馈效价来考察领导者的反馈风格与任务类型之间的相互作用。然而，考虑到情境调节焦点对反馈如何影响个体以促进和预防为导向的认知的关注是缺乏的。在探索负反馈的有效性时，作者发现利用 AI 作为新的反馈来源可以通过诱导以促进为导向的认知和阻碍以预防为导向的认知来提高害怕丢脸员工的绩效。作者的研究结果支持了调节焦点理论的关键原则，并表明负反馈不一定会引发预防焦点。此外，作者将调节焦点理论的适用性从传统的人际互动扩展到人机交互情境。

这篇推送就到这里啦。萜妹周一发现的这篇文章，读完引言就决定这周的推送是它了（正好还和上周的调节焦点理论连上了）！

萜妹推荐这篇文章的几个点：

  • 选题新颖。AI 这个大主题就不必多说，不过我觉得这篇文章没直接从 AI 切入，而是在一个传统的 OB 领域的悖论话题下找可能性，让 AI 的引入更顺畅与自然。
  • 设计严谨。作者的实验资源很厉害，所以结论才更有说服力。光这点就强于大多数问卷和情境实验的 AI 研究了！
  • 写作流畅。虽然推送可能没呈现出来，但原文是很流畅、精炼的。个人觉得没有什么阅读压力，是对读者很友好的文章。

最后，最近连推了两篇调节焦点理论的文章。不出意外，萜妹准备去精读下 Handbook of Theories of Social Psychology 里调节焦点理论的介绍了，下次更这个！

往期推送

原文链接